当DeepSeek的芯片设计团队开始秘密接触晶圆厂，当Meta内部备忘录里14吉瓦的算力目标被写下，当OpenAI的Jalapeño样片在实验室里第一次跑通推理任务，这些看似分散的节点其实正在指向同一个产业拐点。大模型公司集体下场造芯，不是一时兴起，而是AI竞赛从软件层向硅片层迁移的必然结果，其本质是产业利润池的上移与竞争维度的全面升级。
从软件到硅片：成本曲线驱动的产业迁移
推理账单像水电费一样持续累积
过去两年，行业的叙事重心始终围绕参数规模、上下文长度和benchmark分数展开。
但当模型能力逐渐收敛，真正的竞争焦点反而沉到了更底层。
一个关键但常被忽视的事实是训练成本属于一次性资本开支，而推理成本是持续性的运营支出。
模型用户越多、Agent运行越久、Token吞吐越大，推理账单就越像水电费一样持续累积。
DeepSeek首先瞄准推理芯片
OpenAI的Jalapeño同样定位推理
Meta的Iris也明确服务于Facebook和Instagram的AI负载
这种集体转向绝非巧合，它意味着前沿模型公司已经意识到，如果无法把单位Token的算力成本压到极限，再好的模型也会在规模化落地中被拖垮。
这背后是GPU与定制芯片完全不同的经济学。
英伟达GPU像一把瑞士军刀，训练、推理、科学计算、视频生成，各种场景都能迅速适配。
但一个只需要长期运行固定大模型负载的公司，未必愿意永远为这种通用性付费。
如果DeepSeek未来继续沿用MoE、MLA和特定低精度计算路线，那么它就有机会围绕自己的算子结构、KV Cache管理、Prefill与Decode特征、内存访问和数据流进行定向优化。
专用推理芯片在理论上可以显著降低单位调用成本和能耗，这正是模型公司在价格战白热化阶段必须争夺的生存空间。
国内大模型以十分之一的定价撕开全球市场，表面看是算法效率的胜利，底层却是这种成本控制的极端化体现。
供应链安全：不是替代，而是多源化
去依赖化成为规模化AI企业的生存本能
成本之外，另一股推力来自供应链的深层焦虑。
先进AI芯片的供应渠道集中度过高，一旦上游产能波动或交付周期延长，下游模型公司的业务连续性就会受到直接冲击。
DeepSeek在适配现有平台的同时仍然启动自研项目，揭示了一个更复杂的战略逻辑。
便把负载从一家供应商迁移到另一家，并没有真正消除单点风险，只是换了一个依赖对象。
对国内模型厂商而言，自研芯片同时包含多层考量，Token成本账、供应安全账与长期自主权账。其目标不是取代现有供应链，而是在谈判桌上增加筹码，实现真正的多源化。
Meta的情况提供了对称的镜像。
这家社交巨头今年预计投入高达1450亿美元用于AI基础设施，占全球科技巨头AI总投资规模的相当大部分。
在如此庞大的支出下，部署最新一代GPU被内部备忘录直言难度极大且耗费时间成本。
Iris芯片由博通支持设计、台积电代工，仅用六周便完成关键测试且未发现重大问题，进展明显快于业内通常需要数月的验证节奏。
Meta的目标不是完全取代英伟达，而是通过定制ASIC与外购GPU形成互补，降低对单一供应商的依赖，夺回议价权。
这种去依赖化的冲动，在不同地区的头部模型公司身上同时出现，说明它已经超越了单纯的商业采购逻辑，成为规模化AI企业的普遍生存本能。
全栈闭环：模型、芯片与利润池的重新分配
Token一路做到硅片里
比单个公司的芯片进展更值得关注的，是产业竞争逻辑的根本性重构。
谷歌已经证明了全栈协同的威力，TPU不是孤立硬件，而是与模型架构、编译器、互联网络和数据中心系统一起被协同设计。
当芯片团队知道下一代模型需要什么样的矩阵乘法和内存带宽，当模型团队知道硅片上的瓶颈在哪里，双方就可以在边界处互相妥协、共同优化。
这种模型与芯片的co-design带来的效率提升，远非在通用GPU上跑优化代码所能比拟。
一条新的商业闭环正在形成。
芯片生产算力，模型生产Token，云把Token卖给客户，客户规模反过来摊薄芯片研发成本。
谷歌试图把AI时代最重要的几层利润，芯片、算力、模型、Token和应用入口，尽可能留在自己的体系里。
模型厂商今天集体造芯，本质上是被同一股力量推着向前走。
当Token价格卷到今天这个地步，谁的推理成本更低，谁就有更大的降价空间。
没有芯片能力、只能靠采购通用GPU的纯模型公司，很可能被两头夹击，上游议价能力不如芯片厂商，下游价格战又打不过有全栈能力的对手。
利润池正在从模型层向硅片层迁移，AI竞争的终局可能不再属于模型最好的公司，而是那些有能力把Token一路做到硅片里的玩家。
产业链重估：推理爆发下的结构性机会
算力需求从训练扩展到推理
模型公司的造芯运动正在向下游产业链释放强烈的结构性信号。
AI大模型价格的大幅下降，正在推动应用场景从训练向推理快速扩展。训练阶段需要的是大规模算力集群，而推理阶段需要的是更广泛、更分散的算力部署，这意味着芯片需求的总量和结构都在发生变化。
谷歌把第八代TPU拆成训练线TPU 8t和推理线TPU 8i，华为将Ascend 950按Prefill阶段和Decode阶段细分，都说明硬件设计正在进一步按计算密集度、内存容量和带宽需求拆分工作负载。
Meta计划2027年将数据中心算力翻倍至14吉瓦，今年部署7吉瓦，内部研发保持高频迭代节奏，商用芯片约1-2年更新一代。
这种级别的资本开支本身就是对产业链的强力拉动。
Meta已经签署多项长期供应协议，包括与三星和闪迪的存储芯片协议，因为存储芯片供应持续紧张已成为大型数据中心扩张的关键瓶颈。
对国内产业链而言，模型出海带来的算力需求增长，将直接拉动芯片设计、晶圆代工、存储芯片和设备材料的全链条需求。
从弹性角度看，存储芯片和芯片设计服务环节的弹性最高，推理设备对存储容量和速度的需求增长，以及AI芯片定制化需求的爆发，正在重塑产业价值分布。
豪赌的门槛：这不是每家公司都能参与的战争
1000亿美元级的全栈战争
然而，造芯片远比造大模型更像一场重资产豪赌。
行业普遍测算，一款先进AI芯片仅设计、工程与验证阶段的投入就可达数亿美元，这还只是冰山一角。
从流片到量产，从软件栈到规模部署，阿里平头哥成立近八年，其自研GPU于2026年正式实现规模化量产，谷歌TPU从起步到第八代迭代了十余年。
相比之下，DeepSeek的芯片项目才启动一年，就连节奏最快的OpenAI，从官宣合作到全面规模化量产仍是一场持续数年的工程。
新闻里都可以叫自研AI芯片，但全栈自研、联合设计、需求定制这三种路径的含金量与实际能力要求天差地别。
做一家模型创业公司，门票大概是10亿美元。
做一个前沿模型，门票要到300亿美元起。
而当一家公司同时下注模型、芯片、云和数据中心，它面对的已经是1000亿美元级的全栈战争。
这不是每家公司都掏得起的钱，也不是每家公司都需要掏的钱。
但造芯这件事已经开始让产业发生不可逆的变化，AI竞争的入场券已经被抬到了新的高度。推理芯片只是起点，训练芯片才是制高点。未来属于那些有能力把模型需求一直穿透到晶体管层面的公司，而这场战争的代价，正在把大多数参与者挡在门外。
今日阅读文章分享：
(1)DeepSeek、智谱考虑自研AI芯片，大模型公司为何集体下场造芯？
（链接：https://www.36kr.com/p/3886547036437129）
(2)国产AI性价比碾压！模型出海引爆算力，芯片产业链迎价值重估
（链接：https://news.10jqka.com.cn/20260709/c678059919.shtml）
(3)传DeepSeek要自研AI芯片，且立项已一年
（链接：https://www.guancha.cn/economy/2026_07_08_823060.shtml）
(4)报道：Meta自研AI芯片“Iris”计划9月量产，2027年算力拟翻倍至14吉瓦
（链接：https://wallstreetcn.com/articles/3776581）
(5)报道：Meta自研AI芯片“Iris”计划9月量产，2027年算力拟翻倍至14吉瓦
（链接：https://wallstreetcn.com/articles/3776581）
(6)Meta自研AI芯片据悉将于9月投产 拟将算力翻倍至14吉瓦
（链接：https://www.cls.cn/detail/2422007）
本文若有歧义欢迎读者分享指正。
我们以算力为线，持续跟进算力基础设施的报道，输出洞察，伴随算力行业实现算力自由。敬请关注！
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表